王 奎，劉 昊

（國網(wǎng)天津靜海供電有限公司，天津 301600）

0 引 言

在電力的生產(chǎn)、輸送和分配過程中，能量損失是不可避免的，主要包括技術(shù)性損失和非技術(shù)性損失。技術(shù)性損失主要是子站、變壓器和線路等硬件設(shè)施造成的電力損失，非技術(shù)性損失則是在配電網(wǎng)絡(luò)中因用戶非法用電而造成的電力損失[1]。在電力系統(tǒng)中，由于存在大量不合理的用電行為，對電力系統(tǒng)造成了嚴(yán)重影響[2]。從電網(wǎng)的角度來看，竊電等手段導(dǎo)致的線損不斷增加，對電網(wǎng)的安全運行構(gòu)成了威脅，對電力行業(yè)的健康發(fā)展造成了很大的沖擊。目前，針對電網(wǎng)異常用電行為的監(jiān)控主要依賴常規(guī)巡視、人工檢查設(shè)備配置以及旁路傳輸?shù)仁侄?，這些手段不僅消耗大量的人力、物力，而且容易產(chǎn)生大量的虛警，因此需要新的識別手段來取代。針對這些問題，通過映射用戶歷史用電行為，將其視為異常用電數(shù)據(jù)樣本，從海量數(shù)據(jù)中挖掘異常信息并識別。

隨著我國智能電網(wǎng)的不斷發(fā)展，智能電表的使用日益增多，電力企業(yè)可獲得大量配電網(wǎng)絡(luò)終端數(shù)據(jù)，采集頻率較高，數(shù)據(jù)類型豐富，為數(shù)據(jù)挖掘技術(shù)的發(fā)展提供數(shù)據(jù)依據(jù)。利用數(shù)據(jù)挖掘技術(shù)對電力消費數(shù)據(jù)進行高效分析，及時發(fā)現(xiàn)電力消費中的異?，F(xiàn)象。與傳統(tǒng)的現(xiàn)場檢測方式相比，數(shù)據(jù)挖掘技術(shù)不僅能降低費用，還能減少用電異常造成的經(jīng)濟損失，從而有效保障電力工業(yè)的安全生產(chǎn)。支持向量機是一種強大的分類算法，具有較強的適應(yīng)能力，適用于小樣本數(shù)據(jù)處理。在電力用戶用電行為異常檢測中，能夠利用有限的數(shù)據(jù)進行學(xué)習(xí)，并取得較好的分類效果。電力用戶用電行為數(shù)據(jù)可能包括電量消耗、電力峰值、用電模式等多個維度的信息。支持向量機能夠有效地處理這些高維數(shù)據(jù)，提取出相關(guān)特征，通過構(gòu)建一個分類模型，學(xué)習(xí)并識別不同類型的異常用電行為，從而有效地區(qū)分正常用電行為和異常用電行為，提高異常檢測的準(zhǔn)確性。文章結(jié)合支持向量機，設(shè)計研究電力用戶異常用電行為智能檢測方法。

1 電力用戶用電行為數(shù)據(jù)預(yù)處理

在電力企業(yè)運行過程中，存在缺失值、異常值和噪聲數(shù)據(jù)等問題，不僅會影響后續(xù)的數(shù)據(jù)分析和異常檢測，還會對異常檢測算法產(chǎn)生干擾，影響異常檢測的準(zhǔn)確性。因此，為有效識別和提取用戶用電行為中的異常行為，需要對獲取的海量用戶用電行為數(shù)據(jù)進行預(yù)處理。預(yù)處理包括缺失值處理和數(shù)據(jù)歸一化[3]。

利用拉格朗日插值方法來處理數(shù)據(jù)缺失問題，補充缺失值。針對每一個已知非缺失值數(shù)據(jù)點(xi,yi)，計算拉格朗日基函數(shù)L(x)，即

式中：i表示已知數(shù)據(jù)點的索引；x表示自變量的取值，即要進行插值的位置。

對于每個缺失數(shù)據(jù)點xj(j=m,n,…,k)，將其代入插值函數(shù)L(x)來計算對應(yīng)的估計值yj，實現(xiàn)缺失數(shù)據(jù)的補充。由于各個電力用戶的用電行為數(shù)據(jù)特征比例不同，為了使后續(xù)的檢測精度滿足電力企業(yè)提出的檢測精度要求，需要對數(shù)據(jù)進行標(biāo)準(zhǔn)化處理。數(shù)據(jù)歸一化處理表達式為

式中：x'表示經(jīng)過歸一化處理后得到的電力用戶用電行為數(shù)據(jù)；表示未經(jīng)過處理的電力用戶用電行為數(shù)據(jù)；xmin表示原始電力數(shù)據(jù)中的最小值；xmax表示原始電力數(shù)據(jù)中的最大值。根據(jù)上述操作，完成對電力用戶用電行為數(shù)據(jù)的預(yù)處理。

2 基于支持向量機的異常用電數(shù)據(jù)檢測

針對完成預(yù)處理的電力用戶用電行為數(shù)據(jù)，結(jié)合支持向量機檢測其中的異常用電數(shù)據(jù)。針對電力異常監(jiān)測中的小子樣、非線性等問題，提出一種基于小子樣的電力異常監(jiān)測算法。該算法的實質(zhì)是借助核函數(shù)將原始數(shù)據(jù)映射到高維空間，通過這種映射將原本低維空間中無法線性分割的數(shù)據(jù)在高維空間中線性分割，并在此基礎(chǔ)上尋找滿足線性可分的最佳超平面，將非線性問題轉(zhuǎn)化成線性可分問題，從而解決電力異常監(jiān)測中的非線性問題[4]。

由于傳統(tǒng)的支持向量機更適用于二分類問題，針對電力用戶異常用電行為的多分類問題，應(yīng)當(dāng)對其進行優(yōu)化和擴展。引入二叉樹法，將所有需要檢測的樣本類型劃分為2 個子類別，然后對子類別再次劃分，以此類推，直到只剩1 個類別為止，得到多個子類別。在每一個非葉節(jié)點上對支持向量機分類器進行訓(xùn)練。利用支持向量機模型對電力用戶用電行為數(shù)據(jù)進行分類，將分類結(jié)果作為二叉樹的葉子節(jié)點。根據(jù)分類結(jié)果的可信度等因素，將葉子節(jié)點進行劃分，形成新的內(nèi)部節(jié)點。重復(fù)此過程，直到滿足停止條件，得到完整的二叉樹。在構(gòu)建好的二叉樹上，對需要檢測的電力用戶用電行為樣本數(shù)據(jù)進行遍歷。根據(jù)每個節(jié)點的分類結(jié)果和可信度，判斷該樣本數(shù)據(jù)是否屬于異常用電行為。

為提高檢測方法的全局優(yōu)化能力，解決收斂速度慢和局部優(yōu)化問題，引入邊界收縮因子，并對其進行位置修正[5]。在此基礎(chǔ)上，引入邊界壓縮因子，使解空間的搜索更加完整，并加快算法的收斂。通過動態(tài)調(diào)整位置，能夠有效避免陷入局部極值的問題。通過位置更新的動態(tài)權(quán)重系數(shù)，以此有效防止支持向量機算法陷入局部最優(yōu)的問題。

3 異常用電行為檢測與智能預(yù)警

在完成對基于支持向量機的異常用電數(shù)據(jù)檢測的設(shè)計后，針對電力用戶的用電行為進行檢測，并實現(xiàn)智能預(yù)警。考慮到電力用戶用電數(shù)據(jù)量較大，在具體檢測過程中可利用改進后的蟻獅優(yōu)化算法（Ant Lion Optimizer，ALO）優(yōu)化支持向量機參數(shù)，以此縮短訓(xùn)練時間，提高檢測精度。

第一步，對ALO 算法和支持向量機算法進行初始化處理；第二步，通過改進后的ALO 算法，對支持向量機的參數(shù)進行優(yōu)化；第三步，計算適應(yīng)性，并采集優(yōu)等參數(shù)；第四步，找出最佳參數(shù)，然后計算其適應(yīng)性和定位；第五步，判斷是否符合檢測結(jié)束條件，若滿足則退出，若不滿足則重復(fù)第三步；第六步，完成對支持向量機參數(shù)的優(yōu)化，并得到最優(yōu)參數(shù)，利用該參數(shù)構(gòu)建模型；第七步，將檢測數(shù)據(jù)集輸入模型進行分類，并輸出分類結(jié)果。

區(qū)分正常用戶用電行為和異常用電行為后，通過子類別的劃分可以進一步將異常用電行為劃分為具體類型，如欠流、移相、擴差等。結(jié)合得到的分類結(jié)果，對異常用電行為進行預(yù)警。在預(yù)警時，追溯該異常用電數(shù)據(jù)的產(chǎn)生來源、產(chǎn)生時間和持續(xù)時間，將得到的信息一起在預(yù)警顯示界面中展示，方便管理人員快速確定異常用電行為的各項信息，從而根據(jù)得到的檢測結(jié)果修正或屏蔽異常用電行為，確保用戶的用電安全。

4 對比實驗

為驗證基于支持向量機的智能檢測方法在實際應(yīng)用中的效果，將該方法作為實驗組，將基于Grassberger 熵隨機森林的檢測方法和基于長短期記憶（Long Short Term Memory，LSTM）的檢測方法作為對照組A 和對照組B，利用3 組檢測方法檢測同一電力企業(yè)中的電力用戶異常用電行為。

獲取某電力企業(yè)近3 年的電力數(shù)據(jù)，其中包含3 000 名用戶的用電信息數(shù)據(jù)。將用電信息數(shù)據(jù)中的1 000 個用戶設(shè)置為竊電用戶，對數(shù)據(jù)進行替換，即將普通用戶的數(shù)據(jù)信息轉(zhuǎn)換為竊電用戶。在實驗過程中，模擬4 種異常用電行為，包括欠流法A、欠流法B、移相法C 以及擴差法D，每種情況下異常用電的用戶數(shù)均為250 個。利用3 組檢測方法對獲取的3 000 名用戶的用電行為進行智能檢測，通過對比每種方法檢測到的異常用電行為用戶數(shù)量，檢驗檢測精度。當(dāng)檢測的異常電力用戶個數(shù)與實際情況相符時，表明該方法具有較高的準(zhǔn)確度。實驗結(jié)果如表1 所示。

表1 檢測結(jié)果對比

由表1 可知，實驗組檢測到的異常用戶數(shù)與實驗設(shè)置的異常用戶數(shù)更接近，而對照A 組和對照B組均存在檢測到的異常用戶數(shù)與實際值差距較大的情況。因此，文章提出的基于支持向量機的智能檢測方法具有更高的檢測精度，可以實現(xiàn)對電力用戶異常用電行為的高精度檢測，對于促進電力企業(yè)用電安全具有重要意義。

5 結(jié) 論

文章主要結(jié)合支持向量機理論，提出一種全新的針對電力用戶異常用電行為的智能檢測方法。通過對比實驗，證明了該檢測方法在實際應(yīng)用中的優(yōu)勢。該方法能夠避免傳統(tǒng)人工采集數(shù)據(jù)的煩瑣過程，為電力企業(yè)的智能化轉(zhuǎn)型提供有力的技術(shù)支持。在后續(xù)的研究中，將結(jié)合更多智能化的技術(shù)和手段，如機器學(xué)習(xí)算法，實現(xiàn)對用戶異常用電行為的自主實時檢測等，促進電力系統(tǒng)的穩(wěn)定運行。